RoboAtom：面向机器人学习的大规模原子动作监督

机器人策略想要复用技能、在组合新任务时保持泛化，前提是轨迹里有细粒度的动作标注：不只是「把杯子放进抽屉」这样的任务级指令，而是拆成拿起杯子、打开抽屉、把杯子放进去，并给每个片段配上技能标签、动作描述和时间边界。现实是，多数机器人数据集只给任务级指令，不带子任务标注；少数带子任务标签的，格式、词表、粒度和时间覆盖又各不相同，例如材料提到 RH20T 的部分标注会把涉及不同颜色积木的多个抓放循环合并成一个片段。这类不一致会直接妨碍跨数据源的联合训练，也正是 RoboAtom 想处理的问题。

这项工作给出的是一套资源加构造流程，而非单一模型。RoboAtom-Data 在 16 个来源的既有数据上补充统一、时间对齐的 atomic-action 标注，覆盖 145 万条轨迹、688 万个技能标注片段、16,882.1 小时、3334 个任务，来源里能看到 InternData-A1、RoboMIND、AgiBot ABC、RoboCOIN、RH20T 等。构造流程由四部分拼成：统一标注协议、大规模人工标注、名为 PhysExtend 的同任务传播方法（用技能相关的物理线索定位边界），以及多阶段质量评估与修正。作者来自上海人工智能实验室、浙江大学、复旦大学、清华大学和上海交通大学。

标注的形态可以看论文给的样例：一条轨迹被切成 Push 0–191、Pick 192–302、Place 303–550，各自带「推动桌上的盘子」「拿起桌上的面包」「把面包放到盘子上」这样的描述。为了让这些标注可比较，作者建了 RoboAtom-Bench，用统一口径评估技能识别与时间边界定位，并覆盖动作序列长度和视角条件的变化；它是专家复核过、且与训练任务不相交的。基准的每条轨迹含 1–62 个片段、1–10 种技能、1–4 路相机视角，时长跨度 1.9–406.4 秒，分 Short、Medium、Long、Multiview 四个子集，外部还用了 WGO-Bench 做对照。

在这个基准上，用标注数据训练出的 RoboAtom-Anno 明显领先通用模型：Skill [email protected] 上，GPT-4o 为 7.2，Qwen3.8-27B 为 10.9，Gemini 3.1 Pro 为 16.1，表现最好的通用视频语言模型 GPT-5.6-sol 也只有 21.4，而 RoboAtom-Anno-9B 达到 30.1，27B 版本为 33.8。这个差距指向一个具体困难：抓取、释放这类物理事件持续时间很短，通用视频语言模型难以定位，而这恰恰是技能级标注最需要的部分。成本上也说得通——材料给出逐条轨迹人工精修约每小时视频 100 美元，靠人工堆规模不现实；同任务传播便宜得多，但必须容忍执行速度变化、停顿和重试，还要能识别出动作结构与参考轨迹不同的那些轨迹。

这意味着，这份资料的贡献不只是「更多标注」，而是把技能定义和切分规则统一成一套共享接口，让自动标注和技能条件执行能对接同一套标签。作者报告的下游验证是：atomic-action 监督配合分层执行，在 LIBERO-Long、LIBERO-Plus 和 RoboTwin 上相对任务级 baseline 提升了任务成功率。换句话说，细粒度监督的价值最终要落在策略成功率上，而不只是标注指标好看；对做数据工程的人来说，可复用的部分其实是那套协议、传播方法和质量控制流程，数据本身只是产物。

想快速判断要不要跟进，可以把它当作一份「技能级机器人数据怎么规模化」的现状样本：能拿走的有标注协议的设计思路、PhysExtend 这类同任务传播的适用条件、一个可对照的评测基准，以及通用模型与专用标注模型之间的量化差距。需要留意边界：控制实验的数值在材料里没有和具体基准一一对应，只能确认三个基准上均有提升，幅度不宜外推；传播方法依赖同一有序技能序列的重复执行，结构不同的轨迹要靠检测剔除；基准与标注体系都出自同一团队，外部验证目前只有 WGO-Bench 一项。作为一篇引用尚为 0 的新工作，它的结论更适合当成可检验的起点，而不是已经沉淀的共识。

ROBOATOM: LARGE-SCALEATOMIC-ACTION SUPERVISION FORROBOTLEARNING Xueyuan Wei1,*, Xuanxu Wang5,1,*, Xudong Li1,3, Yuping He1, Wanshui Gan1, Jiaqi Peng4,1, Wenqi Guo4,1, Jianjun Zhou2, Junting Dong1, Chunhua Shen1,2, Haoyu Guo1, Mulin Yu1,†, Tao Lu1,† 1Shanghai Artificial Intelligence Laboratory 2Zhejiang University 3Fudan University 4Tsinghua University 5Shanghai Jiao Tong University *Equal contribution †Corresponding authors Project Code Data Models RoboAtom-Data RoboAtom-Bench RoboAtom-Anno Dual-System Robot ControlAtomic Action Annotations Push 0–191 Pick 192–302 Place 303–550 Pushes the plate on the table. Picks up the bread on the table. Places the bread on the plate. Trajectories Views 1.441 Segments 4,018 Sources 3Hours 5.81 1.24 Steps 5 3 RoboAtom-Bench WGO-Bench Per trajectory Segments 1–62 Skill types 1–10 Camera views 1–4 Duration 1.9–406.4 s Subsets Short Medium Long Multiview